Neue Simulationsmethode lässt Roboter Objekteigenschaften präzise erfühlen

Massachusetts Institute of Technology, Cambridge, MA

Mit einer neuen Simulationsmethode können Roboter Gewicht, Weichheit und andere physikalische Eigenschaften eines Objekts erraten, indem sie es nur aufheben.

Menschliche Intuition nachahmen

Ein Mensch, der Dachbodenmüll aussortiert, kann oft den Inhalt einer Box einfach durch Anheben und Schütteln erraten, ohne hineinschauen zu müssen. Forscher von MIT, Amazon Robotics und der University of British Columbia haben Robotern beigebracht, etwas Ähnliches zu tun.

Sie entwickelten eine Technik, die Robotern ermöglicht, nur interne Sensoren zu nutzen, um über Gewicht, Weichheit oder Inhalt eines Objekts zu lernen, indem sie es aufheben und sanft schütteln. Mit ihrer Methode, die keine externen Messwerkzeuge oder Kameras erfordert, kann der Roboter Parameter wie die Masse eines Objekts in Sekunden präzise schätzen.

Diese kostengünstige Technik könnte besonders nützlich sein in Anwendungen, wo Kameras weniger effektiv sind – wie beim Sortieren von Objekten in einem dunklen Keller oder beim Räumen von Trümmern in einem teilweise eingestürzten Gebäude nach einem Erdbeben.

Schlüssel: Differenzierbare Simulation mit Digital Twin

Schlüssel ihres Ansatzes ist ein Simulationsprozess, der Modelle des Roboters und des Objekts einbezieht, um Eigenschaften des Objekts während der Interaktion rasch zu identifizieren.

Die Technik der Forscher ist beim Erraten der Objektmasse genauso gut wie komplexere, teurere Methoden, die Computer Vision nutzen. Zusätzlich ist ihr dateneffizienter Ansatz robust genug, um viele Arten unvorhergesehener Szenarien zu bewältigen.

„Diese Idee ist allgemein, und ich glaube, wir kratzen gerade erst an der Oberfläche dessen, was ein Roboter auf diese Weise lernen kann. Mein Traum wäre es, Roboter in die Welt hinauszuschicken, Dinge anzufassen und zu bewegen, und die Eigenschaften von allem, womit sie interagieren, selbstständig herauszufinden“, sagt Peter Yichen Chen, MIT-Postdoc und Lead-Autor eines Papers zu dieser Technik.

Propriozeption: Der sechste Sinn des Roboters

Die Methode des Forschungsteams nutzt Propriozeption – die Fähigkeit eines Menschen oder Roboters, seine Bewegung oder Position im Raum zu spüren. Wenn ein Mensch im Fitnessstudio eine Hantel hebt, kann er das Gewicht in Handgelenk und Bizeps spüren, obwohl er die Hantel in der Hand hält. Genauso kann ein Roboter die „Schwere“ eines Objekts durch die mehreren Gelenke in seinem Arm „fühlen“.

„Ein Mensch hat keine super-genauen Messungen der Gelenkwinkel in unseren Fingern oder der präzisen Drehmomentmenge, die wir auf ein Objekt anwenden, aber ein Roboter schon. Wir nutzen diese Fähigkeiten aus“, sagt Co-Autor Chao Liu, MIT-Postdoc.

Während der Roboter ein Objekt anhebt, sammelt das System der Forscher Signale von den Gelenkencodern des Roboters – Sensoren, die die Drehposition und -geschwindigkeit der Gelenke während der Bewegung detektieren.

Die meisten Roboter haben Gelenkencoder in den Motoren, die ihre beweglichen Teile antreiben, fügt Liu hinzu. Das macht ihre Technik kosteneffizienter als einige Ansätze, da sie keine zusätzlichen Komponenten wie taktile Sensoren oder Vision-Tracking-Systeme benötigt.

Zwei Modelle: Roboter + Objekt-Dynamik

Um Objekteigenschaften während Roboter-Objekt-Interaktionen zu schätzen, stützt sich ihr System auf zwei Modelle: eines, das den Roboter und seine Bewegung simuliert, und eines, das die Dynamik des Objekts simuliert. „Ein präziser Digital Twin der Realität ist wirklich wichtig für den Erfolg unserer Methode“, fügt Chen hinzu.

Ihr Algorithmus „beobachtet“, wie sich Roboter und Objekt während einer physischen Interaktion bewegen, und nutzt Gelenkencoderdaten, um rückwärts die Objekteigenschaften zu identifizieren. Ein schwereres Objekt bewegt sich beispielsweise langsamer als ein leichtes, wenn der Roboter dieselbe Kraft anwendet.

Sie nutzen eine Technik namens differenzierbare Simulation, die es dem Algorithmus erlaubt, vorherzusagen, wie kleine Änderungen in Objekteigenschaften wie Masse oder Weichheit die Endgelenkposition des Roboters beeinflussen. Die Forscher bauten ihre Simulationen mit NVIDIAs Warp Library, einem Open-Source-Developer-Tool, das differenzierbare Simulationen unterstützt.

Sobald die differenzierbare Simulation mit den echten Bewegungen des Roboters übereinstimmt, hat das System die korrekte Eigenschaft identifiziert. Der Algorithmus kann dies in Sekunden erledigen und benötigt nur eine reale Trajektorie des Roboters in Bewegung für die Berechnungen.

„Technisch gesehen, solange man das Modell des Objekts kennt und wie der Roboter Kraft auf dieses Objekt anwenden kann, sollte man den gewünschten Parameter identifizieren können“, sagt Liu. Die Forscher nutzten ihre Methode, um Masse und Weichheit eines Objekts zu lernen, aber ihre Technik könnte auch Eigenschaften wie Trägheitsmoment oder Viskosität einer Flüssigkeit in einem Behälter bestimmen.

Da ihr Algorithmus kein umfangreiches Datenset für Training benötigt wie Methoden, die auf Computer Vision oder externe Sensoren setzen, wäre er nicht so anfällig für Versagen bei unbekannten Umgebungen oder neuen Objekten.

In Zukunft wollen die Forscher ihre Methode mit Computer Vision kombinieren, um eine multimodale Sensing-Technik zu schaffen, die noch mächtiger ist.

„Diese Arbeit versucht nicht, Computer Vision zu ersetzen. Beide Methoden haben Vor- und Nachteile. Aber hier haben wir gezeigt, dass wir ohne Kamera bereits einige dieser Eigenschaften herausfinden können“, sagt Chen.

Sie wollen auch Anwendungen mit komplexeren Robotersystemen erforschen, wie Soft Robots, und komplexere Objekte, einschließlich schwappendem Flüssigkeiten oder Granularmedien wie Sand. Langfristig hoffen sie, diese Technik anzuwenden, um Robotiklernen zu verbessern, sodass zukünftige Roboter schnell neue Manipulationsfähigkeiten entwickeln und sich an Veränderungen in ihrer Umgebung anpassen können.

Für weitere Informationen kontaktieren Sie Melanie Grados unter melanie.grados@mit.edu; 617-253-1682.